基于IBBDE-SVM的短期風電功率預測

龔雪嬌，唐 波，朱瑞金

(西藏農牧學院電氣工程學院，西藏 林芝 860000)

0 引 言

大力發展新能源技術是我國實現“碳達峰、碳中和”的必由之路，以風能為代表的綠色新能源將持續被大量開發利用。截至2020年底，我國累計風電裝機容量達2.82億kW。預計到2030年，全球風電裝機容量將達20億kW。風電功率具有很強的隨機性和波動性，大規模風電并網后將對電力系統運行帶來較大影響，故準確預測風電功率對于保障電網穩定運行具有重要的現實意義[1]。

近年來，研究人員先后提出多種風電功率預測方法，總體上分為物理學方法、統計分析法和機器學習法3大類[2-3]。其中，機器學習法采用人工智能技術，通過大量樣本數據訓練，建立風電功率與關聯因素間的非線性映射關系從而實現功率預測。支持向量機(SVM)[4]是一種經典的機器學習法，SVM預測模型基于風險最小化原理構造決策函數，能有效解決小樣本、高維數的非線性問題。然而SVM模型預測性能受學習參數影響較大，通常采用人工比選法確定SVM模型的學習參數，這種方法盲目性大。為解決此問題，研究人員分別采用遺傳算法[5]、螢火蟲算法[6]、鯨魚優化算法[7]和微分進化算法(DE)[8]等智能優化方法來選取SVM預測模型參數，均取得較好的效果。

為獲得更精確的風電功率預測結果，本文提出一種基于改進骨架微分進化算法(IBBDE)優化SVM的風電功率預測方法，并以西藏格爾木地區五子湖風電場功率預測為算例來驗證所提預測模型的有效性。

1 SVM模型

假設s={(x1，y1)，(x2，y2)，…(xi，yi)…(xm，ym)}∈Rn×R為訓練樣本集，m為訓練樣本個數，xi為輸入變量，yi為輸出變量，在高維特征空間構造最優線性回歸函數

f(x)=ωφ(x)+b

(1)

式中，ω為函數向量；b為偏差量；φ(·)為從輸入空間到高維特征空間的非線性變換。

(2)

式中，C為正則化參數；ε為估計精度。

引入拉格朗日函數，將式(2)轉化為對偶問題，最終求得回歸函數為

(3)

(4)

式中，σ為核參數。

由此可見，SVM的預測效果主要取決于正則化參數C和核參數σ的取值。

2 IBBDE算法

為降低控制參數和微分策略對微分進化算法(DE)性能的影響，Wang等[9]將DE算法與骨架粒子群算法相結合，提出一種骨架微分進化算法(BBDE)。為進一步提升BBDE算法的搜索性能，張濤等[10-11]引入廣義反向學習初始化種群和自適應調整交叉概率等措施，提出一種改進骨架微分進化算法(IBBDE)，并成功應用于求解電力系統無功優化等問題。為此，本文采用IBBDE算法優化SVM模型參數，并應用于短期風電功率預測。IBBDE算法的詳細步驟見文獻[10-11]，此處不再贅述。

3 基于IBBDE-SVM的風電功率預測流程

鑒于風速和溫度是影響風電功率的主要因素，本文將風速和溫度作為SVM預測模型的輸入，風電功率作為SVM預測模型的輸出。

采用IBBDE-SVM進行風電功率預測的流程如圖1所示，具體步驟如下：

圖1 風電功率預測流程

(1)對輸入數據進行歸一化處理。

(5)

(2)劃分訓練樣本集和測試樣本集。

(3)設置IBBDE算法相關參數。

(4)基于廣義反向學習策略初始化SVM模型參數。

(5)對SVM模型學習參數進行優化，其中適應度評價函數fe為

(6)

(6)利用優化后的SVM模型進行短期風電功率預測。

4 算例分析

4.1 算例介紹

本文以西藏格爾木地區五子湖風電場為研究對象，數據樣本為2019年12月1日至12月14日的實時運行數據，包括風速、溫度和風電場發電功率。將前13天的數據作為訓練數據，12月14日的數據作為測試樣本，時間間隔為15 min。選擇平均絕對誤差百分比(MAPE)和均方根誤差(RMSE)來評價預測結果。

(7)

(8)

4.2 預測結果分析

分別采用IBBDE-SVM、BBDE-SVM和DE-SVM進行風電功率預測。IBBDE算法參數設置為：種群規模NP=20、交叉因子上限Cr，max=0.9、交叉因子下限Cr，min=0.1、迭代次數T=100；BBDE算法參數設置為：種群規模NP=20、交叉因子Cr=0.5、迭代次數T=100；DE算法參數設置為：種群規模NP=20、縮放因子F=0.9、交叉因子Cr=0.5、迭代次數T=100。IBBDE算法搜索出的SVM預測模型參數為：C=9.85、σ=0.09；BBDE算法搜索出的SVM預測模型參數為：C=11.61、σ=0.12；DE算法搜索出的SVM預測模型參數為：C=13.22、σ=0.16。

3種預測模型的風電功率預測曲線如圖2所示，預測誤差如表1所示。從預測結果可以看出，IBBDE-SVM模型預測的功率曲線更符合實際風電功率曲線的變化趨勢。從預測誤差指標上看，IBBDE-SVM模型預測結果的MAPE和RMSE指標分別為4.67%和2.98%，預測效果最好，BBDE-SVM模型預測效果次之，DE-SVM模型預測效果最差。由此說明，IBBDE算法可有效解決SVM學習參數選擇難的問題，從而大幅度提高模型預測精度。

圖2 風電功率預測結果

表1 不同SVM預測模型的預測誤差

5 結 語

采用IBBDE算法優化SVM預測模型參數，建立IBBDE-SVM預測模型，并應用到西藏格爾木地區實際風電場短期風電功率預測。仿真結果表明，所提風電功率預測方法具有較高的預測精度，從而為短期風電功率預測提供了一種新途徑。